Диктуйте в Gemini

Чи можна вже говорити з Gemini?

Так. Gemini має вбудоване голосове введення. У застосунку Gemini на смартфоні ви торкаєтеся мікрофона й вимовляєте запитання; на підтримуваному пристрої можна навіть починати без рук. На вебсайті gemini.google.com теж є мікрофон у полі промпту. Тому якщо ваша мета — «запитати Gemini вголос і отримати відповідь», більше нічого не потрібно. Функція вже вбудована в продукт.

Хочу бути в цьому чіткий від самого початку, адже багато статей для цього ключового слова пропускають цей момент і одразу намагаються щось продати. Власне голосове введення Gemini справді добре підходить для швидких усних запитань. «Яка погода у Львові», «перевести 200 грамів у склянки», «підсумувати цю статтю» — говориш, слухаєш, готово. Якщо це все, що ви робите, ця стаття коротка: використовуйте мікрофон, який вже є.

Різниця виникає в момент, коли ваш промпт стає довшим або більш обдуманим, і коли ви хочете використовувати ту саму звичку в місці, яке не є Gemini. Це тема решти цієї статті.

Чому вводити промпт, а не просто говорити

Коли ви говорите прямо в мікрофон чатбота, ваші слова входять і виходить відповідь — але ви ніколи не бачите промпт як редагований текст. Для однорядкового запитання це нормально. Для ретельного промпту — ні. Ви сказали «підсумуй це у формальному тоні», мікрофон почув «підсумуй це у формальному тоні», але щось вийшло не так, і ви перезаписуєте все заново. Якщо спочатку ввести промпт у поле, ви читаєте його перед виконанням.

Інша причина — ця звичка переноситься. Гарячий клавіш, який вводить вашу мову в текстове поле, не переймається, яке це поле. Gemini сьогодні, ChatGPT завтра, промпт до Claude після завтра, повідомлення в Slack, опис коміту, лист учителю вашої дитини. Одна м'язова пам'ять, будь-який застосунок. Мікрофон Gemini працює лише всередині Gemini — саме те, чого можна очікувати, але це означає, що другий інструмент, який працює всюди, не надлишковий — він має іншу форму.

Найшвидший спосіб: системний гарячий клавіш

Ось де спеціалізований застосунок змінює ситуацію. Whisper by Remskill — це не плагін Gemini, не розширення Chrome і не інтеграція Google. Це настільний застосунок, який поводиться як ваша клавіатура: натисніть гарячий клавіш, говоріть, і транскрипт вставляється в курсор — у будь-якому застосунку, включно з полем промпту Gemini. Він працює однаково в браузері і на робочому столі, адже для вашого комп'ютера ви просто друкуєте.

Налаштування займає кілька хвилин:

Ось і весь цикл. Транскрипт з'являється у полі, ви читаєте його, виправляєте помилки, надсилаєте.

Диктуйте промпт безпосередньо в Gemini

Після запуску досвід у найкращому сенсі непримітний. Ви ставите курсор у поле промпту Gemini, утримуєте клавішу, вимовляєте промпт, відпускаєте. За секунду текст з'являється, наче ви його набрали. Тепер ви робите те, чого живий мікрофон не дозволяє: читаєте його. Довгі промпти — три абзаци контексту плюс справжнє запитання — набагато легше скласти правильно, коли можна побачити їх перед виконанням.

Оскільки локальна транскрипція виконується на вашому комп'ютері (чистий Rust, без Python-сайдкару, без сервера в циклі), вона працює офлайн, і аудіо того, що ви диктуєте, ніколи не залишає ваш ноутбук. Ви вводите промпт голосом, а потім самостійно надсилаєте його в Gemini — крок диктування і крок ШІ розділені, що і є причиною, чому можна редагувати між ними.

Очищення ШІ прибирає «еее»

Розмовна мова — безладна. Ви кажете «еее», перезапочинаєте речення, губитесь у звуці, що означає «ну ти розумієш». Whisper має необов'язковий крок покращення ШІ, який прибирає слова-паразити і впорядковує формулювання перед вставкою. Тож «еее, ти можеш, ти можеш написати мені таке, коротке повідомлення з відмовою» стає «Можеш написати мені коротке повідомлення з відмовою». Чистіший промпт зазвичай дає чистішу відповідь, тому це важливіше для промптів ШІ, ніж для звичайних нотаток.

Це очищення виконується локально через Ollama, безкоштовно, на вашому власному комп'ютері. Користувачі Pro можуть натомість спрямувати його через хмару, але перевага усунення слів-паразитів не вимагає Pro — вона є у безкоштовному локальному pipeline. Ви також можете вимкнути його й вставити сирий транскрипт, що нормально, якщо ви все одно збираєтесь читати і редагувати промпт.

Той самий гарячий клавіш працює в ChatGPT, Claude, будь-де

Це та частина, яка робить окремий інструмент вартим. Гарячий клавіш не знає, що таке Gemini. Він вставляє текст там, де стоїть курсор, тож саме та звичка, яку ви щойно освоїли, працює в ChatGPT, Claude, Perplexity, Google Doc, вашому поштовому клієнті, полі коментаря до pull request. Ви вчитеся одному руху і перестаєте думати, яким ШІ користуєтесь сьогодні. Вбудований мікрофон Gemini за задумом допомагає лише всередині Gemini.

Протягом звичайного тижня я переключаюсь між трьома-чотирма інструментами ШІ залежно від того, чим займаюсь. Я не хотів мати різну голосову кнопку в кожному, кожна поводиться трохи по-різному. Один гарячий клавіш, що вводить у всі, — менше для запам'ятовування, і він продовжує працювати, коли один із них випускає редизайн.

Як виглядає повний застосунок Whisper

Гарячий клавіш — це частина, яку ви будете використовувати найбільше, але за нею є панель налаштувань. Ви вибираєте рушій транскрипції: моделі Whisper, багатомовні варіанти яких охоплюють 99 мов, а лише англійські збірки .en — рівно одну, або Parakeet від NVIDIA, близько 600 МБ, у 5–10 разів швидший за Whisper на CPU, що охоплює англійську плюс 24 європейські мови. Ви налаштовуєте гарячий клавіш, керуєте історією та зберігаєте пресети. Нічого з цього не потрібно, щоб продиктувати один промпт у Gemini. Воно є, коли хочете налаштувати.

Коли власного мікрофона Gemini достатньо

Якщо вам просто потрібно ставити Gemini швидкі усні запитання, пропустіть окремий застосунок. Відкрийте Gemini, торкніться або клацніть мікрофон, говоріть. Це вбудовано, це безкоштовно, і для однорядкового запитання від другого інструменту нічого не здобути — ви б додали крок, а не прибрали його. Те саме стосується голосових функцій усередині інших великих чатботів, якщо ви працюєте лише в тому одному застосунку.

Спеціальний гарячий клавіш виходить вперед у трьох ситуаціях: довгі промпти, які хочеться прочитати перед надсиланням, очищення від слів-паразитів та використання тієї самої звички диктування в усіх застосунках замість лише Gemini. Що більше ваші промпти схожі на справжнє письмо — контекст, інструкції, запитання — і що більше інструментів ви чергуєте, то більше це важливо.

Обирайте найменший інструмент, який вирішує вашу задачу. Для одного усного запитання — це мікрофон, що вже є в Gemini. Для довгих промптів, які ви диктуєте через Gemini і ChatGPT і недописаний лист, системний гарячий клавіш перестає відчуватися надлишком приблизно на другому абзаці, який не довелося набирати.

Скільки коштує Whisper

Локальний pipeline диктування — транскрипція і очищення ШІ через Ollama — безкоштовний для будь-якого авторизованого користувача, без картки при реєстрації. Тож диктування промптів у Gemini за допомогою Whisper нічого не коштує. Whisper Pro додає хмарні функції (транскрипція OpenAI, хмарне покращення ШІ, голосовий пошук у вебі) і йде з окремим пробним періодом. Точні цифри є на сторінці цін, а не тут, адже ціни змінюються, і публікація в блозі — не найкраще місце для їхнього оновлення.

Gemini вас вже чує, і для швидкого запитання — це кінець історії. Використовуйте мікрофон, що є. Причина натомість диктувати промпт у поле — у тому, чого мікрофон не може: ви можете прочитати його перед виконанням і робити це однаково в кожному іншому застосунку, з яким спілкуєтесь. Два інструменти, два завдання. У більшості випадків меншого достатньо.